「HydraFusion」始動：マルチモデル・オーケストレーションで実現する最高峰のAI品質

Project HydraFusionは、複数のAIモデルを高度に連携・統合させることで、単一モデルの限界を超えた最高レベルの品質とパフォーマンスを実現する取り組みです。効率的なオーケストレーションにより、開発のフロンティアを切り拓く次世代のアーキテクチャを目指しています。

今年見た中で一番ひどいプロジェクト名なんだけど。

自分は「G.S.D.（Get Stuff Done）」エージェントって呼んでるカスタムエージェントを使ってるよ。こいつはフォアマンでも、タスクルーティングをするわけでも、オーケストレーターでもない。直接的なアクションを優先するようにしていて、必要なときだけ委譲するように指示されてる。このアプローチの方が、委譲を第一にするエージェントよりも、クオリティをあまり犠牲にせず、かなり高速に結果が出るってことがわかった。対照的にHydraFusionはタスクルーティングから始まって、順次計画、実行、レビューっていうステップを踏む。このワークフローは、同じクオリティならスピードよりコストを優先する人向けなんじゃないかな。

モデルが結果の草案を作り、別のモデル系列の読み取り専用クリティカル（批評家）がそれをレビューする。この場合、複数のモデルベンダーを使うのが鍵だよ。カスケードパターンには不要だけど、批評パターンには必要だからね。去年の11月、うちのチームは「Team of Rivals」っていう論文を書いたんだ。Anthropicモデルの出力をOpenAIモデルで批評させるのと、同じベンダー内で自己レビューエージェントのループを回すのとではどう違うかっていう内容。アブレーション（除去実験）[1]の結果、どっちか一方の会社を使うより、両方使う方が優れていることが証明された。この論文は「Anthropicにはできないことをお宅の会社はどうやってるの？」という問いに対する一般的な回答だったけど、それ以上に、評価で6割程度のモデルを使って、いかに9割以上の精度を出すかを示すデモのようなものだったんだ（Gas Townの投稿が論文についての「企業秘密」という議論の封印を解いてくれたしね）。[1] - https://github.com/t3rmin4t0r/critique-evals

「project hydrastable infrastructure」の方に注力すべきじゃないかな。

記事によると、> 制御されたオフライン評価において、HydraFusionの選択的コーディングワークフローは評価されたOpus 5のベースラインと同等かそれ以上だった とあるけど、Opus 5は比較対象として適切じゃないよね。記事のグラフで主にOpus 5と比較しているのには驚いたよ。FableやSolと比較せず「最先端（frontier）」のクオリティを主張するのはかなり誠実さに欠けると思う。

自分もワークフロー内の計画、ソリューション設計、実装のステップで敵対的な批評とレビューを使ってるよ。これがすごく効果的で、設計の欠陥や実装ミスをたくさん見つけられるんだよね…だから、このプロセスなしでどうやってエージェントで複雑で大規模なプロジェクトを作ってるのか不思議なくらいだよ。まあ実際、結果が出なくて困ってたから自分なりにやり方を見つけなきゃいけなかっただけなんだけど。全部オープンソースにするつもりだけど、もう少し整理が必要かな。GitHubでリリースされた時に通知が欲しいなら、こっちに簡易的なランディングページがあるよ https://kodfactory.com 。ああ、世界がまた新しい「ソフトウェアファクトリー」を必要としてるのは知ってるけどね（笑）

彼らの結果には疑問があるな。モデルとハーネスの間に余計なソフトを挟めば、単一のベンチマークで最先端を超えるのはそんなに難しくないからね。これが、重みが公開されている「素のモデル」と、プロバイダーが裏で何でもできる「最先端（frontier）モデル」を比較するのが不公平な理由でもあるよ。具体的に言うと、Qwen3.8-27BをSWEbench ProとTerminal Bench 2.0で10%スコアアップさせるために必要なのは、以下のような基本機能を持つプロキシだけだった。・デコード設定（温度などを少し調整）を少し変える・モデルが詰まったら「進め（go on）」と指示を出す・途中で途切れた回答や、推論しか含まない空の回答、検証を通らないフォーマットなどを検知して「もっとうまくやって」と指示する。たったこれだけ。10%アップ。まあ特定のタスクのサブセットでの話だけど、結果は結果だよ。

もしかして俺って2026年版の「Dropboxの人」状態かな？…で、それが何なの？

これ、別のハーネスで見かけたものとすごく似てるな。https://github.com/AMAP-ML/LongHorizon-Harness 。こっちのクリティークパターンは、包括的な目標に向けてループするわけじゃない、別のバージョンのlh-harnessって感じだね。

それはヤバいね。